【信号调制】基于深度学习CNN的信号调制识别附matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 内容介绍

1 生成用于训练的波形

为每种调制类型生成 10000 个帧，其中 80% 用于训练，10% 用于验证，10% 用于测试。我们在网络训练阶段使用训练和验证帧。使用测试帧获得最终分类准确度。每帧的长度为 1024 个样本，采样率为 200 kHz。对于数字调制类型，八个样本表示一个符号。网络根据单个帧而不是多个连续帧（如视频）作出每个决定。假设数字和模拟调制类型的中心频率分别为 900 MHz 和 100 MHz。

1.2 波形生成

创建一个循环，它为每种调制类型生成信道衰落的帧，并将这些帧及其对应标签存储在 frameStore 中。从每帧的开头删除随机数量的样本，以去除瞬变并确保帧相对于符号边界具有随机起点。

使用深度学习进行调制分类 —— 使用 SDR 进行测试

使用 sdrTest 函数，通过无线信号测试经过训练的网络的性能。要执行此测试，您必须有两个 ADALM-PLUTO 无线电和 Communications Toolbox Support Package for ADALM-PLUTO Radio。sdrTest 使用与生成训练信号时相同的调制函数，并使用 ADALM-PLUTO 无线电进行传输。用另一个 ADALM-PLUTO 无线电捕获通道减损的信号，而不对通道进行仿真。使用经过训练的网络和相同的 classify 函数来预测调制类型。该网络实现了 99% 的总体准确度，其中两个无线电是固定的，相隔约 2 英尺。

📣 部分代码

function modulator = getModulator(modType, sps, fs)%getModulator Modulation function selector%   MOD = getModulator(TYPE,SPS,FS) returns the modulator function handle%   MOD based on TYPE. SPS is the number of samples per symbol and FS is%   the sample rate.​switch modType  case "BPSK"    modulator = @(x)bpskModulator(x,sps);  case "QPSK"    modulator = @(x)qpskModulator(x,sps);  case "8PSK"    modulator = @(x)psk8Modulator(x,sps);  case "16QAM"    modulator = @(x)qam16Modulator(x,sps);  case "64QAM"    modulator = @(x)qam64Modulator(x,sps);  case "GFSK"    modulator = @(x)gfskModulator(x,sps);  case "CPFSK"    modulator = @(x)cpfskModulator(x,sps);  case "PAM4"    modulator = @(x)pam4Modulator(x,sps);  case "B-FM"    modulator = @(x)bfmModulator(x, fs);  case "DSB-AM"    modulator = @(x)dsbamModulator(x, fs);  case "SSB-AM"    modulator = @(x)ssbamModulator(x, fs);endend​function src = getSource(modType, sps, spf, fs)%getSource Source selector for modulation types%    SRC = getSource(TYPE,SPS,SPF,FS) returns the data source%    for the modulation type TYPE, with the number of samples%    per symbol SPS, the number of samples per frame SPF, and%    the sampling frequency FS.​switch modType  case {"BPSK","GFSK","CPFSK"}    M = 2;    src = @()randi([0 M-1],spf/sps,1);  case {"QPSK","PAM4"}    M = 4;    src = @()randi([0 M-1],spf/sps,1);  case "8PSK"    M = 8;    src = @()randi([0 M-1],spf/sps,1);  case "16QAM"    M = 16;    src = @()randi([0 M-1],spf/sps,1);  case "64QAM"    M = 64;    src = @()randi([0 M-1],spf/sps,1);  case {"B-FM","DSB-AM","SSB-AM"}    src = @()getAudio(spf,fs);endend

⛳️ 运行结果

🔗 参考文献

O'Shea, T. J., J. Corgan, and T. C. Clancy. "Convolutional Radio Modulation Recognition Networks." Preprint, submitted June 10, 2016. https://arxiv.org/abs/1602.04105

O'Shea, T. J., T. Roy, and T. C. Clancy. "Over-the-Air Deep Learning Based Radio Signal Classification." IEEE Journal of Selected Topics in Signal Processing. Vol. 12, Number 1, 2018, pp. 168–179.

Liu, X., D. Yang, and A. E. Gamal. "Deep Neural Network Architectures for Modulation Classification." Preprint, submitted January 5, 2018. https://arxiv.org/abs/1712.00443v3

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合